Bibliographic record
Abstract
Le problème qui nous intéresse est avant tout celui de la gestion biomédicale des restes humains en archéologie, ces artefacts anciens « pas comme les autres », ces « patients atypiques ». Dans l’article suivant, on va tenter de voir, avec un regard interdisciplinaire (anthropologique, philosophique et médical), comment il est possible de travailler sur les restes humains en archéologie, mais aussi comment gérer le stockage de ces derniers après étude. Car déjà, travailler sur l’archéologie est un problème politique (au sens grec du terme, c’est-à-dire qui implique littéralement la cité, et l’on pourrait faire référence directement aux travaux de Laurent Olivier sur la politique des fouilles archéologiques pendant le troisième Reich et la diffusion de l’idéologie nazie fondée sur des produits de fouilles et des études anthropologiques. Mais en outre, travailler sur des restes humains peut également poser des problèmes politiques, et nous en avons fait les frais dans notre équipe lorsque nous avons travaillé d’une part sur le masque mortuaire de Robespierre (la reconstitution du visage ayant créé un véritable esclandre du côté de l’extrême gauche française) mais aussi lorsque nous avons travaillé sur la tête de Henri IV (l’identification de celle-ci ayant ravivé considérablement la querelle clanique historique entre Orléans et Bourbon)… Travailler sur les restes humains est donc tout sauf anodin.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.013 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.016 | 0.073 |
| Scholarly communication | 0.016 | 0.017 |
| Open science | 0.003 | 0.012 |
| Research integrity | 0.008 | 0.009 |
| Insufficient payload (model declined to judge) | 0.012 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".